2026-06-17 雷达回波 AI 进展日报#

检索时间：2026-06-17 13:22 +08
重点窗口：相对上次自动化运行 2026-06-16T05:02:38Z，重点检查 2026-06-16 13:02 +08 至 2026-06-17 13:22 +08；同时向前保留约 48 小时缓冲至 2026-06-15 13:02 +08，以覆盖数据库索引、网页收录和代码推送延迟。
检索主题：深度学习或 AI 在雷达回波预报、降水临近预报、radar echo nowcasting、precipitation nowcasting、weather radar nowcasting 中的新论文、预印本、代码、会议/期刊动态和机构发布；另设 related-method bucket 跟踪 flow matching、diffusion/generative solver、satellite-to-radar retrieval、雷达质控等相邻方向。

0. 总体判断#

本轮未发现 2026-06-16 13:02 +08 至 2026-06-17 13:22 +08 主窗口内新的高价值直接雷达回波/降水临近预报 AI 论文、arXiv 预印本、正式期刊上线、会议录用、代码 release、数据集或机构发布。

需要区分三类情况：

1. xzx1983/GSWarpNet 仍是近 48 小时缓冲窗口内最直接相关的代码信号，但仓库 pushed_at 仍停在 2026-06-15T02:06:15Z，已在 2026-06-15 日报展开；今天不重复计入新增。
2. PHADIN 数据集仍是值得跟进的窗口外雷达降水影像数据资源，但发布时间为 2026-06-11，昨天已经补录；今天没有发现新的版本、论文或 benchmark。
3. 本轮网页检索补充识别到若干近月高价值条目，包括 Springer 会议章节、IEEE TGRS 的 SRDiff、AGU/Wiley 的 GRENet、RISE-net、Global-Frequency Synergy、中文《气象》的 GAN 强降水临近预报文章。这些对用户研究有参考价值，但均不是今天 24-48 小时内新增，因此单列为“窗口外值得回看”，不写入主新增表。

1. 新增条目表#

一句技术判断：今天的主结论是“窗口内无新增”，不是“方向无进展”。近两天的有效信号仍然主要来自前两日报已覆盖的 GSWarpNet 和 PHADIN，以及若干窗口外近月论文；这些不能被误写成 2026-06-17 新论文或新代码。

2. 窗口内已复核但不计为新增#

2.1 GSWarpNet 状态#

来源/平台：GitHub 仓库 xzx1983/GSWarpNet。GitHub API 本轮返回 created_at=2026-06-15T02:02:06Z、pushed_at=2026-06-15T02:06:15Z、stars 为 0、license 元数据为空，仓库描述为 "Decoupled Warp-and-Refine Radar Echo Nowcasting with GMS/SRI metrics"。

大致内容：该仓库此前已确认包含可安装 Python 包、训练、微调、评估、可视化、SRadar 数据预处理脚本，以及显式 motion/warp/refine 的雷达回波外推结构。它是直接 radar echo / precipitation nowcasting 代码信号。

训练测试方式与效果：沿用 2026-06-15 日报记录，输入 4 帧、输出 12 帧，使用 SRadar/Maly Javornik 数据，报告 CSI@20、CSI@35、CSI@45、MAE、SSIM、GMS、SRI 等指标。本轮没有新增结果文件或 checkpoint，因此不重新评价效果。

代码/数据状态：代码公开但无 release、无权重、无新提交；数据依赖外部 Mendeley Data。今天不能把它写成新论文、正式 benchmark 或新的实验结果。

技术判断：保持“直接相关代码仓库，值得继续跟进”的状态；只有出现论文、arXiv、LICENSE、权重、结果文件或新 commit 时才需要重新展开。

2.2 PHADIN 状态#

来源/平台：Mendeley Data v1，DOI 10.17632/nmb673vmgv.1，发布时间 2026-06-11。

大致内容：数据页描述 PHADIN 来自越南 Pha Din Meteorological Station 的降水雷达影像数据，可用于训练 RainNet、GAN nowcasting 等深度卷积模型，任务指向 radar-based precipitation nowcasting。

训练测试方式与效果：PHADIN 是数据集，不是模型；公开页面未给出标准训练/验证/测试划分、baseline 脚本或 CSI/FSS/MAE 等客观评分。本轮没有下载和体检数据文件，因此具体时间频率、空间范围、单位、缺测比例和样本连续性仍待核验。

代码/数据状态：页面公开，但本轮未发现新版本、官方 benchmark 或模型代码。

技术判断：它对雷达降水临近预报直接相关，适合作为跨区域泛化或东南亚季风/山地降水场景数据候选；但不是今天新增，也不是算法论文。

3. 相关方法与启发：窗口外值得回看#

以下条目不是 2026-06-16 至 2026-06-17 新增，不能写入主新增表；但它们对 radar echo nowcasting、降水临近预报、生成式方法、多源融合或数据/质控链路有参考价值，建议作为后续专题跟进。

3.1 Radar Echo Nowcasting Based on a Physics-Constrained GAN Fusing GNSS-RO and GNSS-PWV#

来源/期刊或会议：Springer 会议论文/章节，Crossref 元数据给出 published-online=2026-06-03，不属于本轮 24-48 小时窗口。

数据集：页面摘要称使用 2025 年中国北方强对流个例，融合 GNSS-RO、GNSS-PWV 与雷达回波；公开摘要未给出完整样本规模、训练/测试时间划分或数据下载入口。

模型构建：提出带物理约束的 GAN，采用双分支结构分别建模 motion field 与 growth-decay field，并引入动力学约束和 GNSS 派生的可降水水汽 PWV。

训练测试方式：公开摘要只说明在强对流个例上评估 0-2 h 雷达回波临近预报；未见代码、权重和完整训练细节。

效果：摘要报告在 42-120 min lead time 的强回波阈值 >=30 dBZ 上 CSI 提升 28.5%，漏报接近减少 50%，虚警率保持稳定。这个结论来自摘要，尚未独立复核。

代码/数据状态：本轮未发现代码或公开数据入口。

技术判断：这是直接雷达回波外推方向，值得跟踪全文，尤其是“运动场 + 生消场”解耦和物理损失的设计；但公开证据目前偏摘要级，不能直接作为可复现 baseline。

对用户研究的启发：与 GSWarpNet 的 warp/refine 思路有相通处，都在试图把位移和强度演变拆开；用户若研究强回波保持，可比较物理约束 GAN、光流/warp、生成式残差修正三类方案的强阈值 CSI、漏报和虚警。

3.2 SRDiff: Cross-Modal Diffusion for Satellite-to-Radar Translation#

来源/期刊或会议：IEEE TGRS 期刊论文，DOI 10.1109/TGRS.2026.3686188。Crossref 日期只有年份，Semantic Scholar 和 NUS 页面列为 2026 年文章；不是今天窗口内新增。

数据集：页面摘要提到 SEVIR 与 Sat2Rdr 数据集，用于 satellite-to-radar translation。该任务不是从历史雷达图预测未来雷达图，而是把卫星观测翻译为雷达等价表征。

模型构建：提出 cross-modal、sequence-aware diffusion 模型。核心模块包括 Cross-Modal Conditional Adapter，用于对齐卫星多通道与雷达反射率；以及 Diffusion Transformer backbone，用于建模序列依赖并生成稳定的雷达等价输出。

训练测试方式：公开页面说明在 SEVIR 和 Sat2Rdr 上与 deterministic 和 diffusion-based 方法比较，并把 SRDiff 结果接入现成雷达 nowcasting 模型作为下游应用验证。

效果：Semantic Scholar/NUS 摘要称 SRDiff 在 satellite-to-radar translation 关键指标上优于现有确定性和扩散方法，并能改善下游 nowcasting。具体数值需要全文核验。

代码/数据状态：论文页面声称代码在 https://github.com/42xingxing/SRDiff，但本轮 GitHub API 对该仓库返回 404，说明当前未能核验公开代码可访问性。后续应继续检查是否延迟开放、改名或设为私有。

技术判断：SRDiff 不是直接 radar echo nowcasting，但对“雷达稀疏区补全”“卫星到雷达表征桥接”“复用雷达 nowcasting 模型”有明显启发。需要避免把它误写成纯雷达时间外推方法。

对用户研究的启发：如果用户研究涉及多源输入或无雷达区域降水估计，可借鉴“先 satellite-to-radar，再接 nowcasting”的模块化方案；但需警惕翻译误差被下游外推模型放大。

3.3 GRENet: GNSS-Enhanced Radar Extrapolation Network#

来源/期刊或会议：AGU Geophysical Research Letters，Crossref 元数据给出 published-online=2026-05-15。

数据集：Jina Reader 提取的正文显示，实验区域为德国 47-54.7°N、3.6-15.7°E，包含 17 部天气雷达和密集 GNSS 网络；使用 2011-2012 与 2015 年 GNSS ZTD 产品和雷达降水构建 28,521 个样本，雷达 lead time 降水作为 ground truth，并用 2016 年一次强降水事件评估。

模型构建：GRENet 将 GNSS ZTD/PWV 信息引入雷达外推网络，核心思想是把水汽状态作为强降水生消演变的额外约束，避免只依赖雷达过去运动。

训练测试方式：正文片段显示 90% 数据用于训练，剩余用于验证；同时用只含雷达输入的 GAN baseline 和传统 optical flow 对比。指标包括 CSI 和 FSS。

效果：本轮未完整提取具体数值，但文章设计明确关注 GNSS 信息对强降水 nowcasting 的贡献。需要阅读全文后再引用具体提升幅度。

代码/数据状态：未发现公开代码入口；DWD 雷达和 GNSS 数据的获取条件需要进一步核验。

技术判断：这是直接 precipitation nowcasting，且与 GNSS-PWV/GNSS-ZTD 多源融合方向高度相关。对于用户的强降水短临研究，值得重点回看，但它不是今天新增。

对用户研究的启发：水汽先兆信息可能改善雷达仅外推模型对生消过程的表达；如果用户已有雷达、ERA5、GNSS 或水汽通量变量，可考虑把“运动外推 + 水汽条件”作为结构化对照。

3.4 RISE-net: Beijing-Tianjin-Hebei Fine-Scale Precipitation Nowcasting#

来源/期刊或会议：RMetS/Wiley 的 Quarterly Journal of the Royal Meteorological Society，Crossref 元数据给出 published-online=2026-04-22。

数据集：使用北京-天津-河北区域 RISE 系统的高时空分辨率降水数据，500 m 分辨率、10 min 更新频率，目标是改进夏季 1-3 h 降水临近预报。数据可用性声明称受中国气象局和北京气象中心数据政策限制，研究数据不在线公开。

模型构建：基于 U2-net 架构，加入 Coordinate Attention 以增强定位/识别，设计 Hierarchical Upsampling Fusion Module 以恢复细粒度空间细节，并在最终输出阶段使用动态融合策略，把深度学习外推结果与 RISE 预报融合。

训练测试方式：用 TS、BS、ETS、HSS 评估，与传统 cross-correlation extrapolation、U-net 和 U2-net 深度学习后处理模型比较。

效果：公开摘要称 RISE-net 优于传统互相关外推、U-net 和 U2-net；对强降水阈值，最大提升约 TS 48.86%、ETS 52.02%、HSS 46.02%，BS 更接近 1。HUFM 对误差降低贡献显著，CA 贡献较小，二者结合进一步改善降雨捕捉。

代码/数据状态：数据不公开；模型使用 PyTorch 开发，但本轮未发现开源代码。

技术判断：这是直接临近降水预报/后处理，业务属性强，尤其适合参考其“高分辨率区域业务产品 + 深度学习后处理 + 动态融合”的框架。限制是数据不公开，复现难度高。

对用户研究的启发：如果用户研究以区域业务产品为输入，可考虑不只做端到端外推，而是把已有业务外推/融合产品作为 baseline 或先验，再用深度网络做动态融合与细节恢复。

3.5 Global-Frequency Synergy for Radar Echo Extrapolation#

来源/期刊或会议：AGU Journal of Geophysical Research: Atmospheres。Crossref 元数据给出 published-online=2026-05-23；AGU 页面本轮受 403/bot verification 限制，细节主要来自 Crossref、Scite 和 UCAR 页面。

数据集：本轮未能完整核验数据集名称和训练/测试划分。UCAR 页面把它列为 JGR: Atmospheres 2026 文章，主题标签涉及 convolution、LSTM、Jiangsu Province、GRU 等。

模型构建：Scite 摘要页显示该文提出 Global-Frequency Spatiotemporal LSTM (GFST-LSTM)，把 global attention mechanism 与 Fourier convolution modules 集成进 Spatiotemporal LSTM，以缓解 echo ambiguity、intensity decay 和 global context utilization 不足。

训练测试方式：本轮未能核验完整实验设置和对比模型，需要后续通过全文或机构库获取。

效果：公开摘要级信息只说明目标是提升雷达回波短时外推，未可靠提取具体指标数值。

代码/数据状态：本轮未发现代码入口或公开数据说明。

技术判断：这是直接 radar echo extrapolation，方法上关注全局上下文和频域卷积，对强回波结构保持、长时效模糊衰减问题有参考价值；但由于全文访问受限，不能在日报中夸大具体效果。

对用户研究的启发：可把 Fourier/频域模块作为减少平滑和保持多尺度结构的候选模块，与 GMS/SRI、频谱损失或边缘损失一起设计消融。

3.6 利用生成对抗网络提升江淮地区强降水临近预报性能#

来源/期刊或会议：《气象》2026 年第 52 卷第 5 期；中文期刊文章，非今天新增。

数据集：摘要显示研究对象为 2024 年江苏汛期短时强降水，阈值为降水强度 >=20 mm h-1，区域为江淮地区/江苏，目标为未来 3 h 降水量预报。公开摘要未给出数据下载入口。

模型构建：提出 PhySGAN 和 PhyMGAN 两种深度学习短时强降水临近预报方法，分别为 PhyDNet 结合 SGAN、PhyDNet 结合 MGAN。其目标是通过 GAN 改善 PhyDNet/通用 GAN 对强降水频率、形态和强度局部细节的表达。

训练测试方式：摘要提到通过预报技巧评分、“复杂场景”性能评估和典型应用实例分析两种方法表现；对比基础试验 PhyDNet、通用 GAN 试验 PhyGAN 和传统外推方法。

效果：摘要称 PhySGAN 和 PhyMGAN 在不同检验时段的 3 h 内短时强降水 TS 较 PhyDNet 和 PhyGAN 明显提升；PhySGAN 更好体现雨带形态和位置变化，PhyMGAN 对 >50 mm h-1 极端降水强度有一定指示作用。

代码/数据状态：未发现开源代码或公开数据；属于业务/区域数据驱动的中文期刊研究。

技术判断：直接相关，尤其适合关注“强降水频率低估修正”“复杂场景”和“典型个例解释”；但由于数据和代码不公开，复现价值有限，更适合作为方法设计和业务验证口径参考。

对用户研究的启发：如果研究目标是强降水而不是平均雨强，评价应加入强阈值 TS、漏报/空报、复杂场景和个例分析；同时区分“形态位置更好”和“强度极值更好”这两类能力。

4. 相关方法分桶结论#

4.1 flow matching / rectified flow / generative solver#

本轮未发现 2026-06-16 至 2026-06-17 新发布的 flow matching 或 rectified flow precipitation nowcasting 论文、代码或机构动态。arXiv 最新相关命中仍主要是 2026-06-07 的 generative ODE solver、2026-05 的 PixelFlowCast、Rectified Flow Transformer，以及 OpenReview 的 FlowCast。它们不是今天新增。

技术判断：这条线仍值得跟进，但日报中必须标明日期和平台；不能把 5 月或 6 月上旬论文写成当天新进展。

4.2 diffusion / generative nowcasting#

本轮没有新的 diffusion precipitation nowcasting 条目。SRDiff 是窗口外的 satellite-to-radar diffusion translation，不是直接时间外推 nowcasting；PostCast、RainDiff、VMU-Diff、STLDM、CasCast 等也不是本窗口新增。

技术判断：扩散/生成式方法对清晰度、不确定性和卫星到雷达翻译有价值，但需要重点核查采样成本、强阈值虚警、时序一致性和代码可用性。

4.3 satellite-to-radar retrieval#

本轮未发现新的 satellite-to-radar retrieval 条目。SRDiff 值得回看，LangRetrieval 仍是 2026-06-08 arXiv 预印本，Station2Radar 属于 ICLR 2026 相关方向，但均非今天新增。

技术判断：该方向适合作为“雷达稀疏区补全/多源输入”的研究线，不应和直接 radar echo nowcasting 混为一谈。

4.4 雷达质控#

本轮未发现新的深度学习雷达质控论文或代码。Semantic Scholar 成功返回的雷达 beam blockage correction 相关条目主要是 2025/2023 年，不属于今天新增。

技术判断：雷达质控仍应保留为相关方法桶，因为 clutter、beam blockage、非降水回波和拼图质量会直接影响 nowcasting 模型泛化。

4.5 机构动态#

Google DeepMind、ECMWF、NOAA、Met Office、中国气象局等网页检索未发现本窗口内直接指向 radar echo nowcasting / weather radar nowcasting AI 的新发布。检索中出现的 WeatherNext 2、NOAA AI global weather models、Met Office AI4NWP、CMA “风雷/风清/风顺/风宇”等属于广义 AI 天气预报或业务总结，若无新论文、代码、数据或雷达回波临近预报证据，不计入主表。

5. 排除与去重说明#

• GSWarpNet：直接相关，但 2026-06-15 已覆盖；本轮无新 push/release/论文/权重，不重复计为新增。
• PHADIN：直接相关数据集，但 2026-06-11 发布且 2026-06-16 已补录；今天无新版本。
• SRDiff：高价值 satellite-to-radar 论文，但日期非本窗口新增；代码链接当前未能通过 GitHub API 核验。
• GRENet、RISE-net、Global-Frequency Synergy、中文《气象》GAN 文章：均为近月/窗口外直接或高度相关论文，适合回看，不是今天新增。
• DHDM: An interpretable masked deep-learning model for hail potential forecasting：QJRMS 2026-06-07，属于冰雹潜势预报，相关但不是 radar echo nowcasting 主线，本轮未展开。
• Pseudo-Radar Reflectivity by Applying U-Net Models to Global Passive Microwave Brightness Temperatures：JGR: Atmospheres 2026-05-06，属于伪雷达反射率/卫星微波到雷达表征，相关但非直接 nowcasting；本轮仅记录为后续可查。
• Crossref 2026-06-16/17 噪声条目：包括教育、经济 nowcasting、物联网 flow、毫米波雷达目标检测、地球物理 transient electromagnetic 等，均不满足天气雷达/降水临近预报要求。

6. 检索记录与来源#

• arXiv API：检索 radar nowcasting、radar echo nowcasting、weather radar nowcasting、precipitation nowcasting radar deep learning、flow matching precipitation nowcasting、diffusion precipitation nowcasting radar、satellite radar precipitation nowcasting、weather radar quality control deep learning，按 submittedDate 降序查看。未发现 2026-06-15 之后相关新提交或更新；最近命中主要为 2026-06-08 及以前。入口：arXiv API。
• OpenAlex API：使用 from_publication_date:2026-06-15,to_publication_date:2026-06-17 过滤 radar echo nowcasting deep learning、weather radar nowcasting artificial intelligence、precipitation nowcasting deep learning radar、flow matching precipitation nowcasting radar、diffusion precipitation nowcasting radar、satellite to radar retrieval precipitation nowcasting、weather radar quality control deep learning。有效直接结果为 0；唯一返回的 water monitoring 条目为词义噪声。入口：OpenAlex Works。
• Crossref API：同窗口检索上述关键词、GSWarpNet、PHADIN、SRDiff。返回大量非气象噪声；未发现 GSWarpNet、PHADIN 或 SRDiff 的 2026-06-16/17 新 DOI 记录。入口：Crossref Works。
• Semantic Scholar API：部分查询返回 HTTP 429；成功查询中，直接 precipitation nowcasting 命中主要为 2025 或更早论文，雷达质控命中主要为 beam blockage correction 旧条目，无本窗口新增。入口：Semantic Scholar Graph API。
• GitHub API：检索 radar echo nowcasting、weather radar nowcasting、precipitation nowcasting radar、precipitation nowcasting deep learning、satellite-to-radar precipitation、flow matching precipitation nowcasting、diffusion precipitation nowcasting，过滤 created:>=2026-06-15 或 pushed:>=2026-06-16。直接有效结果仍只有 xzx1983/GSWarpNet，且无 2026-06-16 之后更新；后续部分查询触发 rate limit。入口：GitHub Search API。
• Hugging Face Models API：检索 precipitation nowcasting radar、radar nowcasting、weather radar nowcasting、satellite radar precipitation、flow matching precipitation nowcasting，无模型返回。入口：Hugging Face Models API。
• OpenReview、Papers with Code、AMS、IEEE、AGU、RMetS/Wiley、EGU/Copernicus 网页检索：未发现 2026-06-16 至 2026-06-17 的直接新论文或代码动态；检索中浮现的 FlowCast、RainDiff、PostCast、RISE-net、GRENet、Global-Frequency Synergy 等均为窗口外条目。
• 机构网页：Google DeepMind、ECMWF、NOAA、Met Office、中国气象局、中国天气网、中央气象台相关页面检索未发现本窗口内新的 radar echo / precipitation nowcasting AI 发布。网页出现的中长期 AI 天气模型、业务总结、常规雷达图或天气预报页面均未计入主表。

7. 下一轮继续跟进#

1. 继续跟踪 GSWarpNet 是否补充论文、arXiv、LICENSE、模型权重、结果文件、issue 讨论或新的 commit；没有状态变化时不再重复展开。
2. 继续核验 PHADIN 数据文件清单、时间频率、空间范围、单位、缺测比例、样本连续性、许可证和是否有 benchmark 脚本。
3. 对窗口外高价值条目可做一次专题回看：SRDiff、GRENet、RISE-net、Global-Frequency Synergy、Springer physics-constrained GAN、中文《气象》PhySGAN/PhyMGAN。
4. 对 SRDiff 的 GitHub 链接 42xingxing/SRDiff 继续检查；当前 API 返回 404，不能写成“代码已可用”。
5. 后续日报继续严格区分 direct nowcasting、satellite-to-radar、generative/flow matching、radar QC、业务/机构动态，避免把中长期 AI 天气模型或泛化天气 AI 新闻误判为雷达回波临近预报进展。